Skills
エージェント向けにパッケージ化された専門スキルと手順を 96,770 件掲載。コマンド 1 行でインストールできます。
データ・データベース
研究者が実証研究に適したデータセットを特定・カタログ化するのを支援する。ユーザーがデータを探す、データセットを特定する、データソースを特定する、または "what data exists for..."、"where can I get data on..."、"is there a dataset that..." などと尋ねたときは常にこのスキルを使用する。また、ユーザーが研究課題を説明しそれを支えるデータを知りたいとき、特定のトピックや地域のデータ入手可能性を尋ねるとき、データソースを比較したいとき、プロジェクトにパネルデータ、横断面データ、時系列データが必要だと述べたときにもトリガーする。"find data"、"data search"、"dataset"、"data source"、"microdata"、"administrative data"、"survey data"、"public-use data"、"restricted data" への言及、または研究の文脈で時間枠、地理的レベル、データ頻度などのパラメータを指定したときにもトリガーする。すでに特定されたデータセットのダウンロード、スクレイピング、構造化の支援を求められたときにもトリガーする。
イベントスタディ手法を適用し、企業イベントや市場イベント前後の異常リターンと累積異常リターン（CAR）を測定する。ユーザーが発表の市場への影響を定量化したり、イベントウィンドウと推定ウィンドウを設計したりする必要があるとき、または「did this event affect stock price」「how do I calculate abnormal returns」「what is the market reaction to this announcement」と尋ねるときにこのスキルを使用する。
固定効果、変量効果、動的 GMM を用いたパネルデータ分析を適用し、縦断的な変動を活用して観測されない異質性を制御する。ユーザーが複数の主体について時系列の反復観測データを持つ場合、Hausman 検定で FE と RE を選択する必要がある場合、または「how do I control for firm-specific effects」「fixed or random effects」「how to handle endogeneity in panels」と尋ねる場合にこのスキルを使用する。
最新のドキュメントを用いて TypeScript から Apache Kafka の作業を構築、レビュー、デバッグ、設定、移行、指導、計画する。TS SDK として @platformatic/kafka を推奨（Producer、Consumer、Admin、bootstrapBrokers、consume streams、ProduceAcks、transactions、cooperative-sticky KIP-429、KIP-848）。topic、partition、consumer group、rebalance、offset、acks、冪等性、EOS、compaction、retention、SASL/TLS、Schema Registry の概念、KRaft、Kafka 4.x、kafkajs 移行、DLQ/outbox パターン、およびアプリの produce/consume に影響する broker 運用に使用。
Busabase を基盤とする中国本土 A 株戦略の実験デスクを、同梱のローカル Hono App-in-Skill、エビデンスに基づく戦略リサーチ、戦略レベルの L1/L2/L3 手動成熟度承認、戦略ごとに 1 つの CNY バーチャル元帳、日付付きの戦略バックテストレポートとともに構築・運用する。ユーザーが $kelly-invest-stock または /kelly-invest-stock を呼び出すとき、A 株戦略を定義・比較したいとき、戦略とそのバーチャル帳簿を確認したいとき、リサーチのエビデンスを記録したいとき、戦略の成熟度を手動で承認したいとき、または日付付きのバックテスト、ドローダウン、総合帳簿への寄与を確認したいときに使う。ブローカーへの接続、注文の発注、資金の移動は一切行わず、生成された分析を個別の投資助言として提示することもない。
ユーザーが変更を盲目的に試す以上のことを行う自律的な ML 研究ループを求めたときに使用。各学習実行の後、エージェントはモデル内部で実際に起きたこと——勾配、活性化、埋め込み、誤差、データ——を分析し、次の変更をその証拠に基づかせる。`<literature>` のオン/オフ切り替えが科学文献への基盤を与える：オフでは純粋な分析優先ループとして動作し、オンでは論文を検索し、証拠を評価し、先行研究が支持するものだけを実装する。1 回の実行につき 1 つの変更。中断されるまで無限にループする。単発の学習実行やハイパーパラメータスイープには使用しない。
リポジトリ標準の Nemotron カスタマイズ手順を計画・設定し、単一または複数ステップのパイプラインとして連結します。対象は、キュレーション、翻訳、SFT/PEFT（AutoModel または Megatron-Bridge）、事前学習/CPT、RL アライメント（DPO/RLVR/GRPO/RLHF）、BYOB/MCQ ベンチマーク、チェックポイント変換、ModelOpt 最適化、環境プロファイル、学習済みチェックポイントまたは既存/ホスト済みエンドポイントの評価です。Nemotron の手順やワークフローが指定された場合、またはこれらのクリーンアップ、翻訳、学習、ファインチューニング、アライメント、変換、最適化、評価、パイプライン化を求められた場合に使用します。フロントエンド/ダッシュボード/可視化、一般的な ML の助言、課金/アクセス、Nemotron 以外のコーディングタスクには使用しないでください。
公式のコードが存在しない場合に、論文の手法を最小限で直接的な PyTorch で再現し、その手法が主張どおりに機能するかを確認する。ユーザーが「この論文を再現して」「この論文の手法を実装して」「この論文のコードがない」「この論文が本当に機能するか確認したい」「このアルゴリズム/式をコードにして」と言ったとき、または論文/arXiv のリンクを共有してその中核メカニズムの動作する実装を求めたときに使用。出力は、小さく単一ファイルで読める実装に加えて、段階的な検証ゲート（形状チェック → 小さなバッチで過学習 → トイ規模でのベースライン比較）と、論文が明記していないすべての点に関する明示的な仮定台帳。自分の実験向けの学習レシピの設計（pytorch-training-recipe / jax-training-recipe）、既存のリリース済み成果物の監査（reproducibility-audit）、研究リポジトリの構成（research-codebase）には使用しない。
ユーザーが OSMO 上で欠陥画像生成のオーケストレーション、関連するセットアップの実行、または出力の処理を望むときに使用する。Day 0 パスは USD-to-ROI、画像編集拡張、AnomalyGen によるコールドスタートを処理し、初期の PCBA データセットを作成する。Day 1 パスは実画像に対して推論とラベリングを行う。このスキルは初回のアセットセットアップ、ファインチューニングチェックポイントの作成、デプロイの設定を支援する。トリガーキーワード：defect image generation、dig workflow、dig pipeline、defect image detection workflow、aoi pipeline、aoi anomalygen、usd2roi anomalygen、day 0 pcba、day 1 pcba、day 1 real-photo alignment、day 1 manual roi、metal surface anomaly、glass defect、anomalygen finetune、setup_pcb、setup_metal、setup_glass、setup_pretrained、dig setup、dig datasets、dig pretrained checkpoint、dig image-edit endpoint。
ポートフォリオ単位のパイプライン予測 + 健全性ロールアップ：段階ごとの転換率とベンチマークの比較、リスク調整済み予測（commit/best/worst シナリオ）、確率キャリブレーション、パイプラインのレポートカード。Epiphan AI MCP（execute_sql / hubspot_search_deals）経由で HubSpot からディールを取得。CSV エクスポートはあくまでフォールバック。使用場面：「analyze pipeline health」「pipeline health」「risk-adjusted forecast」「forecast accuracy」「which stage do deals stall in」「pipeline report card」「scenario planning」「deal slippage」。ディール単位のモメンタムスコアリングには deal-momentum-analyzer-skill、kill/recover トリアージには dead-deal-recovery-skill を使用。
ユーザーが二群比較（A/B テスト、単純な RCT、行動研究、または 2 モデル/2 構成の評価）を計画しており、データ収集前にそのサイズ設計と事前登録を行う必要があるときに使用——検出すべき最小の効果に対して目標とする統計的検出力を満たす群ごとのサンプルサイズを求め、妥当性チェックリストに対してデザインを監査し、事前登録として確定する。主要アウトカムが 1 つの単一の二群比較にのみ適用。要因計画、反復測定、クラスター/マルチレベル、時系列、適応的、生存時間の各デザインには使用しない。すでに収集したデータの分析には使用しない。ドメイン知識からアウトカムや操作を選ぶことにも使用しない。
Pro+ サブスクリプションが必要です。FlowStudio MCP のキャッシュストアを使ったテナント全体の Power Automate モニタリング：失敗率、実行健全性のトレンド、作成者／アプリのインベントリ、非アクティブな所有者、コンプライアンス／健全性レポート。集約されたテナントビューにのみ使用します。単一の環境、単一のフロー、実行制御、根本原因のデバッグには、power-automate-mcp、power-automate-debug、またはサーバーの monitor-flow バンドルを使用してください。FlowStudio for Teams または MCP Pro+ が必要です。
厳選された American Reindustrialization ディレクトリを閲覧・スライス・分析する — diff、地理クラスター、セクター…… トリガーフレーズ: `look up american reindustrialization companies`、`find reindustrialization jobs`、`browse american manufacturing directory`、`sector heatmap of reindustrialization companies`、`use american-reindustrialization`、`run american-reindustrialization`。
PyGraphistry の中核ワークフロー：認証、DataFrame からグラフへの整形、最初のインタラクティブプロット。"register graphistry"、"get started with pygraphistry"、"plot my edges dataframe"、"graphistry.register()"、"bind src and dst columns"、"make a hypergraph"、"materialize nodes" を依頼された場合、または初回グラフ / ETL からプロットへのタスクで使用する。"first graphistry graph"、"graphistry install"、"api=3"、あるいは graphistry の認証情報に関する質問でもトリガーされる。ユーザーが初めて graphistry をセットアップするときや、DataFrame から基本的なプロットが動かないときに積極的に提案する。
Amazon Redshift に対して SQL を実行する——ステートメントの送信、ステータスのポーリング、結果のページング、データベース/スキーマ/テーブルの閲覧。ユーザーが Redshift（プロビジョンドクラスタまたは Serverless）をクエリしたいとき、「このスキーマにはどのテーブルがあるか」を尋ねるとき、クエリのステータスを確認するとき、または `redshift-data`、Redshift クラスタ識別子 / ワークグループ名、`redshift-data.{region}.amazonaws.com` エンドポイントに言及したときに使用する。このサービスを扱うときは常にこの skill から始める——同梱のスクリプトとレシピが最速の道筋。
AI アプリケーションが外部のツールやデータソースに統一的な方法で接続するためのオープンなプロトコルです。クライアントはモデルとの対話を担い、MCP サーバーはツール・リソース・プロンプトテンプレートを提供します。標準メッセージでやり取りするため、1 つのサーバーを複数のクライアントで再利用できます。